Utilizando 20 años de datos de imágenes de resonancia magnética funcional fMRI de decenas de miles de experimentos de imágenes cerebrales, los neurocientíficos computacionales Hava Siegelmann y un colega postdoctoral en la Universidad de Massachusetts han creado un método basado en geometría para el análisis de datos masivos para llegar a unnueva comprensión de cómo surge el pensamiento de la estructura del cerebro.
Los autores dicen que su trabajo allana el camino para avances en la identificación y el tratamiento de enfermedades cerebrales, así como en los sistemas de inteligencia artificial IA de aprendizaje profundo. Los detalles aparecen en la edición actual de Informes científicos de la naturaleza .
Como explica Siegelmann, fMRI detecta cambios en el flujo sanguíneo neural permitiendo a los investigadores relacionar la actividad cerebral con un comportamiento cognitivo como hablar. Ella dice: "La investigación basada en fMRI hizo un trabajo maravilloso al relacionar áreas específicas del cerebro con actividades. Pero nadiealguna vez unió las decenas de miles de experimentos realizados durante décadas para mostrar cómo el cerebro físico podría dar lugar al pensamiento abstracto ".
Ella y sus colegas descubrieron que la función cognitiva y el pensamiento abstracto existen como una aglomeración de muchas fuentes corticales que van desde las cercanas a las cortezas sensoriales hasta las más profundas a lo largo del conectoma cerebral o diagrama de cableado de conexión. Siegelmann es director de Neural Inspired Biologicaly Dynamical Systems Laboratory en UMass Amherst y uno de los 16 receptores en 2015 del programa Brain Research de la National Science Foundation NSF a través del programa Avanzando en Neurotecnologías Innovadoras BRAIN iniciado por el presidente Obama para avanzar en la comprensión del cerebro.
Los autores dicen que su trabajo demuestra no solo el paradigma operativo básico de la cognición, sino que muestra que todas las conductas cognitivas existen en una jerarquía, comenzando con las conductas más tangibles como el golpeteo con el dedo o el dolor, luego a la conciencia y se extiende hasta la más abstractapensamientos y actividades como nombrar. Agregan que esta jerarquía de abstracción está relacionada con la estructura del conectoma de todo el cerebro humano.
Para este estudio, los investigadores adoptaron un enfoque de ciencia de datos. Primero definieron una red fisiológica dirigida de todo el cerebro, comenzando en las áreas de entrada y etiquetando cada área del cerebro con la distancia o "profundidad" de las entradas sensoriales. Luego procesaronel depósito masivo de datos de fMRI. "La idea era proyectar las regiones activas para un comportamiento cognitivo en la profundidad de la red y describir ese comportamiento cognitivo en términos de su distribución de profundidad", dice Siegelmann. "Pensamos momentáneamente que nuestra investigación falló cuando vimosque cada comportamiento cognitivo mostró actividad a través de muchas profundidades de red. Luego nos dimos cuenta de que la cognición es mucho más rica, no era la simple jerarquía que todos buscaban. Entonces, desarrollamos nuestro algoritmo geométrico 'pendiente' ".
Para ilustrar, sugiere imaginar un equilibrio en el que la bandeja derecha mantiene la actividad cerebral total con la profundidad más baja; la otra bandeja mantiene la actividad en las áreas cerebrales más profundas más alejadas de las entradas. Si el brazo de equilibrio describe la actividad cerebral total para un cognitivo particularcomportamiento, la bandeja derecha será más baja, creando una pendiente negativa, cuando la mayor parte de la actividad esté en áreas poco profundas, y la bandeja izquierda irá más abajo cuando la mayor parte de la actividad sea más profunda, creando una pendiente positiva. La pendiente del brazo de equilibrio describe la relativa poca profundidad aactividad cerebral profunda para cualquier comportamiento.
"Nuestro algoritmo geométrico funciona según este principio, pero en lugar de dos platos, tiene muchos", dice. Los investigadores sumaron toda la actividad neuronal para un comportamiento determinado en todos los experimentos relacionados con fMRI, luego lo analizaron usando el algoritmo de pendiente ".Con un identificador de pendiente, los comportamientos ahora podrían ordenarse por su actividad de profundidad relativa sin intervención humana o sesgo ", agrega. Clasificaron las pendientes para todos los comportamientos cognitivos de las bases de datos de fMRI de negativas a positivas y descubrieron que ordenaban de más tangibles aaltamente abstracto. Una prueba independiente de 500 participantes adicionales del estudio apoyó el resultado.
Siegelmann dice que este trabajo tendrá un gran impacto en la informática, especialmente en el aprendizaje profundo. "El aprendizaje profundo es un sistema computacional que emplea una red neuronal de varias capas y está a la vanguardia de los algoritmos de aprendizaje de inteligencia artificial IA".explica: "Tiene similitud con el cerebro humano en que las capas superiores son aglomeraciones de capas anteriores y, por lo tanto, proporciona más información en una sola neurona".
Pero la dinámica de procesamiento del cerebro es mucho más rica y menos limitada porque tiene una interconexión recurrente, a veces llamada bucles de retroalimentación. En las redes actuales de aprendizaje profundo hechas por el hombre que carecen de interconexiones recurrentes, una entrada particular no puede relacionarse con otras entradas recientes, por lo queno se puede usar para predicciones de series de tiempo, operaciones de control o memoria "
Su laboratorio ahora está creando una "red de aprendizaje profundo masivamente recurrente", dice, para una IA de aprendizaje más parecida al cerebro y superior. Otro resultado interesante de esta investigación será una nueva herramienta geométrica de ciencia de datos, que probablementeencuentre un uso generalizado en otros campos donde los datos masivos son difíciles de ver de manera coherente debido a la superposición de datos.
Siegelmann cree que este trabajo, apoyado por la Oficina de Investigación Naval, tendrá efectos de largo alcance. "Muchos trastornos cerebrales están implicados por el procesamiento no estándar o la combinación anormal de información sensorial. Actualmente, muchos trastornos cerebrales carecen de un identificador biológico claro, y son diagnosticados por síntomas, como confusión, pérdida de memoria y depresión. Nuestra investigación sugiere un método completamente nuevo para analizar anormalidades cerebrales y es una fuente de nuevas esperanzas para desarrollar biomarcadores para diagnósticos más precisos y tempranos de enfermedades psiquiátricas y neurológicas ".
Fuente de la historia :
Materiales proporcionado por Universidad de Massachusetts en Amherst . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :